基于级联动态注意力U-Net的脑肿瘤分割方法

作     者：陈柏年 韩雨童 何涛 刘斌 张建新 CHEN Bonian;HAN Yutong;HE Tao;LIU Bin;ZHANG Jianxin

作者机构：大连民族大学计算机科学与工程学院大连116600 大连民族大学机器智能与生物计算研究所大连116600 大连理工大学中日国际信息与软件学院大连116620 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2023年第50卷第S2期

页      面：1019-1025页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61972062) 国家民委中青年英才培养计划项目 辽宁省应用基础研究计划项目 

主　　题：脑肿瘤分割 U-Net 级联网络 动态卷积 期望最大化注意力 

摘      要：脑肿瘤是一种严重威胁人类健康的疾病,脑肿瘤精确分割在临床诊疗中非常重要。由于脑肿瘤形状大小各异、位置不固定和边界模糊等,实现高精度脑肿瘤自动分割仍是一项具有挑战性的任务。近年来,U-Net凭借其简洁的架构和优秀的性能成为解决医学图像分割任务的主流模型,但其也存在局部感受野有限、空间信息丢失和未充分利用上下文信息等问题。为此,提出一种基于动态卷积和非局部注意力机制的级联U-Net新模型(CDAU-Net)用于脑肿瘤分割任务。首先,将两阶段级联三维U-Net作为主体架构,来重建更精细的高分辨率脑肿瘤空间信息;进而,在级联网络横向连接上添加期望最大化注意力,通过提高网络捕获长距离依赖能力来更好利用肿瘤上下文信息;最后,在级联网络中将普通卷积替换为具有局部自适应能力的动态卷积,可进一步增强网络局部特征捕获能力。在公开的BraTS2019-2020数据集上进行了大量实验并与其他代表性方法进行对比,实验结果表明了所提方法在脑肿瘤分割任务上的有效性。其中,在BraTS2019/2020验证集上获得的全部肿瘤、肿瘤核心和增强肿瘤分割Dice值分别为0.897/0.903,0.826/0.828和0.781/0.786,表现出了良好的脑肿瘤分割性能。